[發(fā)明專利]一種結(jié)合注意力機(jī)制的區(qū)域型海表面溫度預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201910477316.2
• 申請日: 2019-06-03
• 公開（公告）號: CN110197307B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計）人: 賀琪;查鋮;宋巍;趙丹楓;黃冬梅;胡澤煜
• 申請（專利權(quán)）人: 上海海洋大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/20
• 代理公司: 上海伯瑞杰知識產(chǎn)權(quán)代理有限公司 31227
• 代理人: 俞磊

本發(fā)明公開了一種結(jié)合注意力機(jī)制的區(qū)域型海表面溫度預(yù)測方法，步驟包括：1)、將區(qū)域內(nèi)每天的SST數(shù)據(jù)處理成一個矩陣，依次按時間先后進(jìn)行排列，構(gòu)成矩陣序列，作為CA?ConvLSTM模型的輸入；2)、對SST矩陣進(jìn)行處理，通過卷積層提取各個記錄點(diǎn)的分布特征；3)、利用注意力機(jī)制為獲得的矩陣特征分配注意力權(quán)重，然后將注意力權(quán)重乘上對應(yīng)的矩陣特征，得到加權(quán)特征；4)、最后，將加權(quán)特征作為ConvLSTM模型的輸入，利用ConvLSTM訓(xùn)練預(yù)測模型，最終獲得預(yù)測結(jié)果。本發(fā)明將區(qū)域內(nèi)SST整理為一個矩陣，作為一個整體輸入到模型中，便于模型提取SST的時間和空間相關(guān)性。

技術(shù)領(lǐng)域

本發(fā)明涉及海表面溫度預(yù)測領(lǐng)域，特別涉及到一種結(jié)合注意力機(jī)制的區(qū)域型海表面溫度預(yù)測方法。

背景技術(shù)

近年來，海表面溫度預(yù)測在海洋氣象、航海、海洋防災(zāi)減災(zāi)和海洋漁業(yè)等各種海洋相關(guān)領(lǐng)域引起了越來越多的關(guān)注。至今為止，人們已經(jīng)提出了許多方法來預(yù)測海表面溫度(Sea?Surface?Temperature，SST)，并取得了良好的效果。這些方法主要可分為三類：統(tǒng)計預(yù)報方法、數(shù)值預(yù)報方法和經(jīng)驗預(yù)報方法。隨著信息采集技術(shù)的不斷完善，越來越多的SST數(shù)據(jù)被收集，存儲和處理，研究者還對SST的時空特征進(jìn)行了分析。SST是典型的時間序列數(shù)據(jù)，因此許多學(xué)者將海表面溫度預(yù)測(Sea?Surface?Temperature?Prediction，SSTP)視為時間序列回歸問題，并嘗試使用時間序列預(yù)測方法來預(yù)測SST，以期望能夠獲得更好的預(yù)測效果。

SSTP不僅在理論上重要，而且在許多海洋相關(guān)領(lǐng)域都有實(shí)際應(yīng)用。海洋表面單個記錄點(diǎn)的歷史溫度數(shù)據(jù)，是典型的長時間序列數(shù)據(jù)。因此許多研究者將SSTP視為一個時間序列回歸問題，并將許多時間序列預(yù)測方法應(yīng)用在SSTP。傳統(tǒng)時間序列預(yù)測模型如自回歸(Autoregressive，AR)模型、滑動平均(Moving?Average，MA)模型以及自回歸滑動平均(Autoregressive?Moving?Average，ARMA)模型等都是線性模型，并不能滿足實(shí)際應(yīng)用的需求，因此研究者不斷提出了許多非線性預(yù)測方法。神經(jīng)網(wǎng)絡(luò)就是一種非線性預(yù)測方法，具有極強(qiáng)的非線性擬合能力，目前已有多種不同形式的神經(jīng)網(wǎng)絡(luò)用于SSTP。Aparna等人提出了一種人工神經(jīng)網(wǎng)絡(luò)，利用當(dāng)前的SST來預(yù)測第二天阿拉伯海東北部的SST，預(yù)測模型誤差≤±0.5°。長短時記憶網(wǎng)絡(luò)(Long?Short?Term?Memory，LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeural?Network，RNN)的一種變體，能解決RNN“梯度消失”的問題，并且對時間序列數(shù)據(jù)有著較強(qiáng)的建模能力，也已經(jīng)應(yīng)用于SSTP，取得了顯著的效果。除了神經(jīng)網(wǎng)絡(luò)之外，支持向量機(jī)(Support?Vector?Machines，SVM)也用于時間序列預(yù)測。Lins等人考慮到SST變化的季節(jié)性以及季節(jié)內(nèi)變化的規(guī)律，從浮標(biāo)數(shù)據(jù)中獲取SST的曲率和斜率信息，利用SVM來預(yù)測SST。

然而，以上方法均只考慮了SST的時間相關(guān)性，而沒有考慮SST之間的空間相關(guān)性，因此在預(yù)測SST時使得大量的信息會丟失；其次，在預(yù)測SST時，未體現(xiàn)出歷史SST對要預(yù)測的SST的不同影響，使得模型不夠全面，最終預(yù)測精度不高。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)中的不足，提供一種結(jié)合注意力機(jī)制的區(qū)域型海表面溫度預(yù)測方法，以解決上述問題。

本發(fā)明所解決的技術(shù)問題可以采用以下技術(shù)方案來實(shí)現(xiàn)：

一種結(jié)合注意力機(jī)制的區(qū)域型海表面溫度預(yù)測方法，包括如下步驟：

1)、將區(qū)域內(nèi)每天的SST數(shù)據(jù)處理成一個矩陣，依次按時間先后進(jìn)行排列，構(gòu)成矩陣序列，作為CA-ConvLSTM模型的輸入；

2)、對SST矩陣進(jìn)行處理，通過卷積層提取各個記錄點(diǎn)的分布特征；

3)、利用注意力機(jī)制為獲得的矩陣特征分配注意力權(quán)重，然后將注意力權(quán)重乘上對應(yīng)的矩陣特征，得到加權(quán)特征；